WAV, FLAC, MP3, AAC és CD

A fájlformátum neve önmagában nem mondja meg a teljes hangminőséget. Egy WAV lehet 8 bites, 8 kHz-es telefonminőségű PCM; egy AAC lehet nagyon jó minőségű; egy FLAC pedig bitazonosan visszaállítja az eredeti PCM-et. A kulcs az, hogy különválasszuk a konténert, a kodeket, a mintavételt és a bitmélységet.

1. PCM

A PCM a mintavett, kvantált amplitúdóértékek közvetlen digitális reprezentációja. A CD-audio klasszikusan 44,1 kHz mintavételt, 16 bites lineáris PCM-et és két csatornát használ.

2. WAV

A WAV alapvetően konténerformátum. Leggyakrabban tömörítetlen PCM-et tartalmaz, de a formátum más kódolást is képes hordozni. Ezért a „WAV = minőség” leegyszerűsítés.

3. FLAC

A FLAC veszteségmentes tömörítés: a dekódolás után bitazonosan visszakapjuk az eredeti PCM-adatot. A fájlméret a zenei jel statisztikai tulajdonságaitól függően csökken, de hanginformációt nem dob el.

4. MP3

Az MP3 veszteséges perceptuális kodek. Idő-frekvencia transzformációt, kvantálást, bitallokációt és pszichoakusztikai modellt használ. A cél az, hogy az adott bitrátán a kevésbé észlelhető információ reprezentációjára kevesebb bitet költsön.

Az MP3 hibrid kódoló: 32 sávos polifázisú szűrőbankot kombinál MDCT-vel (Modified Discrete Cosine Transform). Ez történelmileg hatékony kompromisszum volt, de az idő-frekvencia felbontás kevésbé rugalmas, ezért tranziens jeleknél könnyebben jelenhet meg pre-echo.

5. AAC

Az AAC modernebb eszköztárat használ, és azonos alacsony-közepes bitrátán gyakran hatékonyabb lehet az MP3-nál. A tényleges minőség az encoder implementációjától, profiltól, bitrátától és a forrásanyagtól függ.

Az AAC sok profiljában tisztábban MDCT-központú felépítést és rugalmasabb ablakváltást használ. Tranziens detektáláskor rövidebb blokkokra válthat, így kisebb időtartományra „keni” a kvantálási zajt, és adott bitrátán hatékonyabban kezelheti a pre-echo jelenséget, mint a klasszikus MP3.

6. Bitrate

A veszteséges kodek bitrátája nem analóg a PCM bitmélységével. 320 kb/s MP3 nem „20 bites hang”. A bitrate az időegységre jutó tárolt adatmennyiség.

7. VBR és CBR

CBR állandó bitrátát használ. VBR a komplexebb szakaszokra több, egyszerűbbekre kevesebb bitet oszthat. Jó encoderrel a VBR hatékonyabb minőség/méret kompromisszumot adhat.

8. Transzkódolás

Veszteségesből veszteségesbe újrakódolva újabb veszteség jön létre. Egy 128 kb/s MP3 320 kb/s-ra konvertálása nem állítja vissza az elveszett információt. A nagyobb fájl csak a már sérült jel új kódolása.

9. ReplayGain és loudness normalization

A fájlformátumtól külön kérdés a lejátszási loudness normalizálása. Metaadat vagy szolgáltatói DSP alapján a különböző műsorok lejátszási erősítése módosítható; ez nem feltétlenül jelenti a fájl újrakódolását.

10. Hallható-e?

Megfelelő bitrátán modern perceptuális kodek sok anyagon transzparens lehet kontrollált vaktesztben. Bizonyos pre-echo érzékeny tranziensek, komplex magasfrekvenciás textúrák vagy alacsony bitráták azonban artefaktumokat hozhatnak. A megbízható összehasonlításhoz szintillesztett, vak ABX-jellegű teszt szükséges.

11. Pszichoakusztikai kódolás mélyebben

A perceptuális kodek nem egyszerűen „levágja a magasakat”. A jel idő-frekvencia reprezentációján dolgozik, maszkolási küszöböt becsül, és a rendelkezésre álló biteket a várható hallhatóság szerint osztja el. Alacsony bitrátán több kvantálási zaj és artefaktum engedhető meg, amelyet a modell maszkoltnak feltételez.

12. Pre-echo

Transzformkódolásnál egy hirtelen tranziens kvantálási hibája az elemzési blokk egészére szétterjedhet, így a tranziens elé is kerülhet zaj: ez pre-echo. Modern kodekek rövidebb blokkokkal és tranziensdetekcióval csökkentik.

13. Joint stereo

Joint stereo nem automatikusan „rosszabb sztereó”. Mid/Side reprezentációval a közös mono komponens és a különbségi jel hatékonyabban kódolható, különösen erősen korrelált sztereó anyagnál. Rossz implementáció vagy túl alacsony bitrate természetesen okozhat térbeli artefaktumot.

A „joint stereo” két különböző eszközt is jelenthet. Az egyik a reverzibilis Mid/Side reprezentáció:

Jelölések: L és R a bal és jobb csatorna, M a közös középső komponens, S pedig a két csatorna különbsége. Az inverz összefüggésekből látszik, hogy ez önmagában veszteség nélkül visszaalakítható. Az intensity stereo ezzel szemben kis bitrátán bizonyos magas frekvenciás térinformációt egyszerűsít, ezért valóban okozhat veszteséges térbeli artefaktumot.

14. CD hibajavítás

Audio CD fizikai olvasásakor hibajavító kódok és interleaving segítenek a karcokból, porból és olvasási hibákból eredő bitvesztés kezelésében. Súlyos hiba esetén interpoláció vagy muting is előfordulhat. Biztonságos ripping szoftver ismételt olvasással és adatbázis-összevetéssel ellenőrizheti a kinyert PCM-et.

A CD-DA fizikai rétege a 16 bit/44,1 kHz PCM-en túl komoly hibavédelmet használ. A CIRC (Cross-Interleaved Reed-Solomon Code) interleavinggel szétteríti és javíthatóvá teszi a burst hibákat; az EFM (Eight-to-Fourteen Modulation) pedig a 8 bites adatokat futáshossz-korlátozott 14 bites csatornaszimbólumokká alakítja a megbízható optikai órajel-visszanyerés érdekében. A javíthatóság határa hibamintázat-függő; a „karcolás mérete” önmagában nem garantál 100%-os helyreállítást.

15. Metadata és fájlkezelés DJ-nél

A hang mellett a rekord tartalmazhat BPM-et, gridet, cue pontokat, ReplayGain/loudness adatot, borítót és címkéket. Ezek nem feltétlenül részei magának az audio bitstreamnek. DJ-szoftver könyvtárkezelésnél a fájl mozgatása vagy újrataggelése ezért adatbázis-kapcsolatokat is érinthet.

16. Normalizálás vs kompresszió

Peak normalization a teljes fájl gain-jét úgy változtatja, hogy a csúcs elérjen egy célértéket. Loudness normalization integrált hangosság alapján állít gain-t. Dinamikakompresszor ezzel szemben időben változó gainnel csökkenti a dinamikatartományt. A három művelet nem ugyanaz.

17. Hogyan teszteljünk kodeket korrektül?

1. azonos masterből készítsünk kódolt és referencia változatot;
2. dekódoljuk őket azonos PCM formára;
3. szintet pontosan illesszünk;
4. vak ABX eljárást használjunk;
5. több próbát és több programanyagot vizsgáljunk.

Ha előre tudjuk, melyik a „jobb”, az elvárás torzíthatja az észlelést. A kontrollált vakteszt ezért nem ellensége a zenei élménynek; eszköz arra, hogy egy technikai állítást megbízhatóbban vizsgáljunk.

ABX tesztnél a találatok száma önmagában kevés; a véletlen találati valószínűséget is számolni kell. Tizenhat független, 50%-os véletlen esélyű próbánál legalább 12 helyes válasz felső oldali binomiális valószínűsége:

Jelölések: X a helyes válaszok száma, C(16,i) a binomiális együttható, 0,5 pedig az egyes próbák véletlen sikerének valószínűsége. A kb. 3,84%-os eredmény 5%-os szinten szignifikáns, de csak megfelelő szintillesztés és mellékjelmentes, előre rögzített tesztprotokoll mellett értelmezhető.

Források és szakmai háttér

• ISO/IEC MPEG audio szabványcsaládok.
• Xiph.Org Foundation - FLAC format documentation.
• Ken Pohlmann: Principles of Digital Audio.
• IEC 60908 - Audio recording: compact disc digital audio system.